温州市科技计划项目可行性研究报告.docVIP

温州市科技计划项目可行性研究报告

（编写提纲）

项目名称：基于卷积神经网络和迁移学习的瓯柑病虫害自动识别技术研究

立项的背景和意义；

瓯柑，浙江省温州市瓯海区特产，也是中国国家地理标志产品之一。在营养价值方面，瓯柑含有多种维生素，还含有丰富的过氧化氢氧化酶，与扛衰老的歧化酶，以及多种人体所需的纤维素等。在药用价值方面，瓯柑有降压、降温、耐缺氧和增加冠脉流量等有药效作用。温州民间素有“端五瓯柑似羚羊”之说，并广泛流传瓯柑可退烧、治咽喉炎、头痛等热性疾病。因此，瓯柑是名副其实的地方特产，也是历史名果，传承着瓯越历史文化和一代代温州人的乡情。

瓯柑产量容易受到天气、病害、虫害等自然因素的影响，其中病虫害是制约瓯柑产量提高的关键性因素，每年大约有10%的经济损失源自于病虫害。常见的瓯柑病害有柑橘黄龙病、柑橘溃疡病、柑橘炭疽病、柑橘疮痂病等，常见的虫害有柑橘红蜘蛛、柑橘木虱、柑橘蚜虫等。目前瓯柑病虫害的鉴定主要通过人工肉眼检测的方法实现，主观性强，容易造成误判，并且该方法需要检测人员具有很强的专业知识和丰富的经验。此外，我国基层种植人员大部分文化素质普遍较低，拥有瓯柑病虫害诊断和防治知识的专家极少，无法为广大农户提供及时、高效的指导。因此，研究并设计一种准确、便捷的瓯柑病虫害诊断和防治工具（方法），协助瓯柑种植农户开展病虫害防治，是解决该实际问题的有效方案。

近年，以深度学习为代表的人工智能技术发展迅猛，尤其是卷积神经网络在计算机视觉领域的研究取得了非常大的突破，很多基于卷积神经网络的图像分类与识别方法已经广泛用于现实中具体应用，如：银行ATM刷脸取钱、火车站扫人脸进站、基于深度学习的医疗图像分类、车辆、行人识别等。因此，结合农业领域的关键问题，基于深度学习相关方法，开展智能化应用研究具有十分重要的实际意义。

鉴于上述情况，本项目拟结合瓯柑病虫害特点，在深度学习框架下，改进并实现通过图像信息辨别瓯柑病虫害种类的自动识别方法，实现对瓯柑病虫害得自动、准确、快速、即时诊断。从而达到帮助果农认识和研究瓯柑病虫害发生规律，加强瓯柑病虫害防控措施，减少病虫害造成的经济损失，加速瓯柑种植业发展的最终目的。

国内外研究现状和发展趋势

（一）国外研究现状

国外研究人员早在20世纪七八十年代便将深度学习技术与传统农业相结合。随着深度学习技术的发展，国外研究人员对基于深度学习的病虫害识别技术进行了探索和研究，并获得了很大的进展。

Fukushima学者首先认识到神经感知机的功能，这也是卷积神经网络的雏形。在研究中，他最早发现了对于生物的神经网络，物体的识别具有旋转不变性，这一理论后来也被应用到卷积神经网络中。MokhtarU等采用不同核函数的支持向量机分类计数，研究出一种对番茄黄化曲叶病(TYLCD)及番茄斑点枯萎病(TSWV)进行识别的方法。该方法由输入图像、图像预处理、病斑分割、特征提取及输出分类五个部分组成。数据集由200张被TYLCD和TSWV侵染的番茄叶片图像构成，经训练和测试，平均诊断正确率为90%，单个种类病虫害的诊断正确率最高达92%。KawasakiY等研究出了一个新的基于卷积神经网络的植物病害检测系统，研究对象为3种类型的黄瓜叶片图像组成的数据集，共计800张图像，取得了94.9%的平均识别准确率。

MohantySP等通过对AlexNet模型和GoogleNet模型进行迁移学习研究出一种鉴定作物病情的模型，并将该模型部署到智能手机进行病情鉴定，对使用智能手机进行病虫害诊断的研究具有重要意义。MwebazeE等设计了嵌入智能手机的基于叶片图像的植物病害严重程度判别系统，研究对象为4种植物病害，将每种病害根据严重程度分别分为5级，其中1级为健康植物，通过分析实验结果得出使用ORB提取特征方法的分类效果最好。

由于卷积神经网络的复杂性,利用卷积神经网络对数据集从头训练，要花费大量的时间，很多研究采用了迁移学习的方法。AmandaRamcharan等人采用迁移学习的方法，使用包含3种木薯疾病和2种虫害的2,756个图像的数据集对卷积神经网络Inceptionv3进行训练，最终模型的总体准确度达到93%。RonnelR.Atole等人利用迁移学习对AlexNet深度网络进行训练，实现了水稻植物健康、不健康和蜗牛感染三分类，网络实现了91.23%的准确率。

（二）国内研究现状

国内至今对病虫害的研究所投入精力依然不足，且将深度学习技术应用于病虫害的识别起步较晚，开始于21世纪初期，研究成果及技术应用不够成熟。但经过近几十年的发展，目前在相关研究领域已经取得了不错的进展。

岑喆鑫建立了计算机视觉采集系统，在此基础上建了黄瓜叶部病害数字图像数据库，通过识别病斑区域图像的颜色纹理和形状进行多种病害鉴别。刘军等提出一种基于彩色图像